IA cuántica para el diagnóstico psiquiátrico: mejora de la clasificación de la demencia con aprendizaje automático...

Área de la Ciencia:

• Aprendizaje automático cuántico (QML)
• Análisis de imágenes médicas
• Inteligencia artificial en la atención médica

Sus antecedentes:

• La detección temprana de la demencia es crucial para el manejo eficaz del paciente, lo que requiere métodos de clasificación de alta precisión.
• Los modelos de aprendizaje profundo (DL) manejan grandes conjuntos de datos, mientras que el aprendizaje automático cuántico (QML) ofrece una mayor velocidad computacional y almacenamiento de datos utilizando cúbits.
• QML aprovecha los principios de la computación cuántica para mejorar potencialmente la eficiencia y la precisión de los modelos de aprendizaje automático, especialmente para el reconocimiento de patrones complejos en imágenes.

Objetivo del estudio:

• Proponer y evaluar una red neuronal convolucional cuántico-clásica (QCNN) híbrida para la clasificación precisa de la demencia utilizando datos de resonancia magnética.
• Investigar la eficacia de la integración de la extracción de características cuánticas con el aprendizaje profundo clásico y la destilación del conocimiento (KD) para mejorar el rendimiento.
• Desarrollar un marco escalable y eficiente para la clasificación de la demencia aplicable en entornos clínicos.

Principales métodos:

• Se desarrolló un marco QCNN híbrido, que procesa imágenes de resonancia magnética a través de preprocesamiento, extracción de región de interés (ROI) y mapeo de características cuánticas.
• Los valores de píxeles de los parches de imagen se codificaron como cúbits y se procesaron mediante un circuito cuántico parametrizado (PQC) para generar características cuánticas.
• Se empleó un marco de destilación del conocimiento (KD), utilizando una CNN más profunda (profesor) para guiar la QCNN (estudiante) para mejorar la generalización y el aprendizaje de características.

Principales resultados:

• La QCNN sin KD logró altas precisiones: 0.9523 (ADNI-1), 0.9611 (ADNI-2) y 0.9412 (OASIS-2).
• Con KD, el modelo QCNN estudiante demostró una mayor sensibilidad, alcanzando una precisión de hasta 0.9978, superando los métodos actuales del estado del arte.
• El enfoque híbrido mostró un rendimiento superior en comparación con los métodos tradicionales de ML/DL para la clasificación de la demencia.

Conclusiones:

• El marco de CNN cuántico-clásica híbrida propuesto ofrece un método altamente preciso y eficiente para la clasificación de la demencia a partir de datos de resonancia magnética.
• La integración de la extracción de características cuánticas y la destilación del conocimiento mejora significativamente el rendimiento de la clasificación y la generalización del modelo.
• Este enfoque basado en QML muestra una gran promesa para avanzar en la detección temprana de la demencia y mejorar el manejo clínico del paciente.